图级任务表现突出
一种通过保持高阶同构一致性来增强图级任务泛化能力的无监督图表示学习模型，弥补了传统VGAE仅擅长节点和链路级任务的不足。
Yang, Hanxuan · Kong, Qingchao · 毛文吉
IEEE Transactions on Knowledge and Data Engineering 2025
相比现有无监督方法，IsoC-VGAE 在多个图级任务上取得了更优或相当的性能，甚至接近监督方法。
通过无监督解码方案，模型在理论上能够保持高阶同构一致性，而现有 VGAE 只能保持低阶同构一致性。